一种网络流量可视化与分析方法及系统技术方案

本发明专利技术提供一种网络流量可视化与分析方法，包括接收由SDN

【技术实现步骤摘要】
一种网络流量可视化与分析方法及系统


[0001]本专利技术涉及计算机网络
，尤其涉及一种网络流量可视化与分析方法及系统。

技术介绍

[0002]在互联网发展速度如此之快的今天，网络作为各行各业稳定发展的保障，各应用对网络性能的要求越来越高。针对现代网络日益增长的高可用性、可拓展性与安全性的需求和网络运维模式的矛盾，传统园区网的弊端日益凸显。
[0003]传统园区网络多采用人工介入的方式实现运维，其存在非智能、互相独立、管理低效等实际问题，造成安全防护、负载均衡、流量调度等网络功能很难有效地实现，使得网络资源的管理与高效利用尤为复杂。一旦网络中出现某些故障，则就急需进行维修。但是，由于控制点的数目较多，导致故障点难以定位，进一步影响整体修复，延长网络的恢复时间，容易造成更大程度的经济损失。因此，有必要对网络状态进行监控，实现网络流量的异常检测。
[0004]然而，现有的网络流量监测仅限于控制点流量大小的监测，无法检测出网络流量的异常情况。

技术实现思路

[0005]本专利技术实施例所要解决的技术问题在于，提供一种网络流量可视化与分析方法及系统，能够解决现有网络流量监测方式无法检测到流量异常的问题。
[0006]为了解决上述技术问题，本专利技术实施例提供了一种网络流量可视化与分析方法，所述方法包括以下步骤：
[0007]接收由SDN
‑
ONOS控制器在园区网上实时采集到的收发数据；
[0008]以预定时长为基本单位，在所接收到的收发数据中进行数据截取，得到各预定时长内的INT时序数据；
[0009]将各预定时长内的INT时序数据均进行特征工程，以选取出相应的特征，并将各预定时长内的INT时序数据对应选取的特征均进行标准化后，进一步分别导入已训练好的异常数据检测模型中，判断出各INT时序数据是否为正常流量；其中，所述异常数据检测模型是采用LSTM神经网络技术所搭建的深度神经网络。
[0010]其中，所述各INT时序数据进行特征工程时所选取出的特征包括延迟、抖动和跳数。
[0011]其中，所述方法进一步包括：
[0012]通过仪表盘显示各INT时序数据的各类延迟、抖动情况；
[0013]通过环形图显示各INT时序数据对应各类协议的占比，以及不同协议的流量在时间段内的发送数量；
[0014]通过折线图显示各INT时序数据的变化信息，以及全局数据在不同时间段内的显
示。
[0015]其中，所述方法进一步包括：
[0016]若判断出某一INT时序数据为异常流量时，显示抖动异常及延迟异常，并且触动警告。
[0017]其中，所述方法进一步包括：
[0018]在各预定时长内的INT时序数据中任选取一个，并将所选INT时序数据通过一个滑动窗口进行划分后，导入已训练好的数据预测模型中，得到所选INT时序数据未来一段时间内的变化情况；其中，所述数据预测模型是采用LSTM神经网络技术所搭建的深度神经网络。
[0019]本专利技术实施例还提供了一种网络流量可视化与分析系统，包括；
[0020]数据接收单元，用于接收由SDN
‑
ONOS控制器在园区网上实时采集到的收发数据；
[0021]数据截取单元，用于以预定时长为基本单位，在所接收到的收发数据中进行数据截取，得到各预定时长内的INT时序数据；
[0022]数据异常检测单元，用于将各预定时长内的INT时序数据均进行特征工程，以选取出相应的特征，并将各预定时长内的INT时序数据对应选取的特征均进行标准化后，进一步分别导入已训练好的异常数据检测模型中，判断出各INT时序数据是否为正常流量；其中，所述异常数据检测模型是采用LSTM神经网络技术所搭建的深度神经网络。
[0023]其中，所述各INT时序数据进行特征工程时所选取出的特征包括延迟、抖动和跳数。
[0024]其中，还包括：
[0025]显示单元，用于通过仪表盘显示各INT时序数据的各类延迟、抖动情况；通过环形图显示各INT时序数据对应各类协议的占比，以及不同协议的流量在时间段内的发送数量；以及通过折线图显示各INT时序数据的变化信息，以及全局数据在不同时间段内的显示。
[0026]其中，还包括：
[0027]异常流量报警单元，用于若判断出某一INT时序数据为异常流量时，显示抖动异常及延迟异常，并且触动警告。
[0028]其中，还包括：
[0029]数据预测单元，用于在各预定时长内的INT时序数据中任选取一个，并将所选INT时序数据通过一个滑动窗口进行划分后，导入已训练好的数据预测模型中，得到所选INT时序数据未来一段时间内的变化情况；其中，所述数据预测模型是采用LSTM神经网络技术所搭建的深度神经网络。
[0030]实施本专利技术实施例，具有如下有益效果：
[0031]本专利技术基于LSTM神经网络技术搭建深度神经网络而成的异常数据检测模型进行网络流量可视化与分析，从而能够解决现有网络流量监测方式无法检测到流量异常的问题。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据
这些附图获得其他的附图仍属于本专利技术的范畴。
[0033]图1为本专利技术实施例提供的一种网络流量可视化与分析方法的流程图；
[0034]图2为本专利技术实施例提供的一种网络流量可视化与分析方法中LSTM神经网络的运行流程图；
[0035]图3为本专利技术实施例提供的一种网络流量可视化与分析方法中异常数据检测模型进行训练及测试的流程图；
[0036]图4为本专利技术实施例提供的一种网络流量可视化与分析方法中数据预测模型进行训练及测试的流程图；
[0037]图5为本专利技术实施例提供的一种网络流量可视化与分析系统的结构示意图。
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述。
[0039]如图1所示，为本专利技术实施例中，提出的一种网络流量可视化与分析方法，所述方法包括以下步骤：
[0040]步骤S1、接收由SDN
‑
ONOS控制器在园区网上实时采集到的收发数据；
[0041]步骤S2、以预定时长为基本单位，在所接收到的收发数据中进行数据截取，得到各预定时长内的INT时序数据；
[0042]步骤S3、将各预定时长内的INT时序数据均进行特征工程，以选取出相应的特征，并将各预定时长内的INT时序数据对应选取的特征均进行标准化后，进一步分别导入已训练好的异常数据检测模型中，判断出各INT时序数据是否为正常流量；其中，所述异常数据检测模型是采用LSTM神经网络技术所搭建的深度神经网络。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络流量可视化与分析方法，其特征在于，所述方法包括以下步骤：接收由SDN
‑
ONOS控制器在园区网上实时采集到的收发数据；以预定时长为基本单位，在所接收到的收发数据中进行数据截取，得到各预定时长内的INT时序数据；将各预定时长内的INT时序数据均进行特征工程，以选取出相应的特征，并将各预定时长内的INT时序数据对应选取的特征均进行标准化后，进一步分别导入已训练好的异常数据检测模型中，判断出各INT时序数据是否为正常流量；其中，所述异常数据检测模型是采用LSTM神经网络技术所搭建的深度神经网络。2.如权利要求1所述的网络流量可视化与分析方法，其特征在于，所述各INT时序数据进行特征工程时所选取出的特征包括延迟、抖动和跳数。3.如权利要求2所述的网络流量可视化与分析方法，其特征在于，所述方法进一步包括：通过仪表盘显示各INT时序数据的各类延迟、抖动情况；通过环形图显示各INT时序数据对应各类协议的占比，以及不同协议的流量在时间段内的发送数量；通过折线图显示各INT时序数据的变化信息，以及全局数据在不同时间段内的显示。4.如权利要求2所述的网络流量可视化与分析方法，其特征在于，所述方法进一步包括：若判断出某一INT时序数据为异常流量时，显示抖动异常及延迟异常，并且触动警告。5.如权利要求1所述的网络流量可视化与分析方法，其特征在于，所述方法进一步包括：在各预定时长内的INT时序数据中任选取一个，并将所选INT时序数据通过一个滑动窗口进行划分后，导入已训练好的数据预测模型中，得到所选INT时序数据未来一段时间内的变化情况；其中，所述数据预测模型是采用LSTM神经网络技术所搭建的深度神经网络。6.一种网络流量可视化与分析系统，其特征在于，...

【专利技术属性】
技术研发人员：刘军，王知非，时进旭，胡标，金佳奕，阮新挺，胡涛，牛东帅，
申请(专利权)人：温州大学，
类型：发明
国别省市：